通过散射进行深度学习

我们引入广义散射变换作为具有 l2 池化的深度神经网络的数学模型。散射网络迭代应用复值酉算子，并通过复模量执行池化。期望散射定义了高维概率分布的压缩表示，同时保留其均方范数。我们表明，无监督学习可以转化为在网络每一层优化空间压缩以保留未标记样本所占体积的过程。监督学习和分类则通过平均散射执行，从而为多个类别提供散射估计。